分解诱导程序学习：以类人数据效率学习学术任务
最优化与控制
2025-05-16 v1
摘要
人类学习依赖于专业化——不同认知机制共同作用，使快速学习成为可能。相比之下，大多数现代神经网络依赖于单一机制：对目标函数的梯度下降。这引出了一个问题：类人学习者为何能够仅凭数十个样本就实现快速学习，而数据驱动的深度学习需要数万个样本？我们通过对在线辅导环境中类人学习模拟进行消除分析来检验这一问题。将强化学习与更高效的 3 机制符号规则诱导方法进行比较，我们发现将学习分解为多个 distinct 机制显著提高了数据效率，使之接近类人学习水平。此外，我们表明，这种分解对效率的影响大于符号与次符号学习之区别的影响。努力将数据驱动机器学习与类人学习对齐时，常常忽视了学习效率之间的巨大差异。我们的发现表明，整合多个专门化学习机制可能是弥合这一鸿沟的关键。
引用
@article{arxiv.2505.10421,
title = {A 140 line MATLAB code for topology optimization problems with probabilistic parameters},
author = {Andrian Uihlein and Ole Sigmund and Michael Stingl},
journal= {arXiv preprint arXiv:2505.10421},
year = {2025}
}